突破防采集，再难也要上

吐槽

昨夜突发一级事故，写了几天的项目，由于死机蓝屏，修复还原，把数据盘都给弄坏了，丢了几天的代码。来的太突然，到现在还没缓过劲来，郁闷死我了。其中也包括本篇将要介绍的东西，本来准备昨天发的。

开始

搞过采集的同学都知道，有一样东西不可少，Proxy！是的，如果说用了代理跑的慢的话，不用代理，呵呵，直接被K了。其重要性不言而喻。今天碰到的问题恰好和代理有关系。

最近由于项目需要，要做点采集工作，本着自己不动手也能丰衣又足食的精神，找找了现成的，其实也不用找，大家比较熟悉的产品应该是“火车头”吧。界面复杂，功能强大，支持代理，自带了代理管理器。有了此神器，采集工作如虎添翼。等等，你得先有代理服务器啊……

代理的获取可以是多种多样的，黑阔同学可以用手中的小肉鸡子，土豪可以自己多找几个黑阔，那么屌丝怎么办？表急，网上搜搜先。我们开开Google大神，输入 “Free http proxy server”，怎么样，是不是有了？你喜欢哪个我不知道，我反正点开的是 hidemyass.com，是不是很屌？

Home of HideMyAss.com

图1.Home of HideMyAss.com

来来，围观一下，有在线代理，匿名邮件，呃，功能有点多，我们只要Proxy Server IP 和 Port 。选择 “IP:Port Proxy”，来到了 Proxy Server List 页面,

Proxy sever list

图2. Proxy sever list

(有人说楼主是骗纸，网页根本打不开呀!) (擦，此站和类似的其他网站需要翻墙)

鼠标键盘操作利索的话，这一页几十条数据也是妥妥的复制好。可是，服务器列表不是死的啊，会更新啊，难道要重新再猛击鼠标键盘？懒人推动了世界的进步，这个我一点都不怀疑。首先我想到偷懒的方法，也是我的一惯做法，直接页面注入JS采就完了。说来就来，Chrome里，我果断的按下了”F12″。啪啪啪地敲下了下面的JS（现敲的，昨天的全丢了），

jQuery Test in Chrome

图3. jQuery Test in Chrome

呃，好的，用了 jQuery，省得自己注入了，继续，目测，IP和PORT分别是第1栏和第2栏，

var _html = [];
$('#listtable tbody tr' ).each(function(i, n){
var _line = [];
var _self = $(this);
//var tds = _self.find('td')
_line.push(_self.find('td:eq(1)').text());
_line.push(_self.find('td:eq(2)').text());
_html.push(_line.join(':'));
})
console.log(_html.join('\n'));

代码清单1

好激动呀，眼看着就要得手了,

.UBXR{display:none}
.rcBy{display:inline}
.wikF{display:none}
.wECt{display:inline}
4545188218.18140.208.66136:
9000

.UbG7{display:none}
.odO4{display:inline}
.uK-0{display:none}
.cvKi{display:inline}
.CiSC{display:none}
.azWI{display:inline}
109156156.585877939595130130130175184184184196196211.6668232929187187246.8888135135135136174240:
8080

.j05u{display:none}
.A5AR{display:inline}
.X9qd{display:none}
.qnVe{display:inline}
.ylFA{display:none}
.V_RW{display:inline}
.eqQH{display:none}
.Wfut{display:inline}
505093121213214214.110147147.23232632515161188196203203.133154195:
8080

代码清单2

纳尼？What？神码东西，乱的一塌糊涂啊！

请出神器，一探究竟，

IP cell inspect

图4. Ip 单元格 DOM 情况

丧心病狂有木有？本来想夸夸这个网站界面清爽没广告呢（某些国内站点呀，满屏牛皮癣，恶心不），看来我想多了 –!! 肿么办？裤子都脱了，当然不能放弃治疗啊。既然都已经在浏览器环境了，咱就模拟一下浏览器，让人看见的留下，看不见的删除，这不就有了嘛，继续，

var _html = [];
$('#listtable tbody tr' ).each(function(i, n){
var _line = [];
var _self = $(this);
//var tds = _self.find('td')

var td = _self.find('td:eq(1)');
td.find('style,span:hidden,div:hidden').remove(); //注意这里
_line.push(td .text());

_line.push(_self.find('td:eq(2)').text());
_html.push(_line.join(':'));
})
console.log(_html.join('\n'));

代码清单3

再看看控制台,

It works!

图5. 采集正常啦

搞定！

至于健康判断啦，连接速度判断神码的，留给您自己发挥吧。

本来行文到这里就差不多了，采集任务已经顺利完成，可是最近写长文有点上瘾，而且要紧的，咱们不能对自己要求这么低，是不是？浏览器控制台采集最多属于半自动，临时应个急还行，每次刷行，还得手工执行代码、拷贝结果、导入结果，恶心。咱们来往前再迈一步，看看完全自动化的方案是怎么样的。

进阶

假如我们现在需要自己整一个Proxy Server List 抓取器，毫无疑问，还是从此网页抓取，和之前一样的流程。有一个不一样的地方，是什么呢？

浏览器里面，我们可以通过使用 jQuery 来轻易判断 span啊 div啊是隐藏的还是显示的，而不用理会他是因为使用还是使用。可是咱们 Java 哪里会理解呢？累觉不爱呀。

用 Java 来解析 HTML 内容常用方法无非是 JDOM之类的DOM解析工具，按部就班。或者呢，使用HTMLParser这样的库，最棒的是他提供了CSS Selector来选择DOM 节点。或者，你要是熟悉 jQuery 的话，可以像我一样，用一用 jsoup 。jsoup 不是 soup, 是一个牛逼的、使用 jQuery 选择器(也就是 Sizzle http://sizzlejs.com/) 语法（参看 http://jsoup.org/cookbook/extracting-data/selector-syntax），让Java操作DOM Node 也能犹如 JS 般自由痛快。唯一遗憾的是，她不能识别 “:hidden” 伪类，而恰恰正是本例需要的一个重要特性。

让我们来一个例子看看，下面是IP单元格的HTML源码，

2014-01-05_212123

代码清单4. 加密混淆后的IP单元格

真是大开眼界呀(这下，某东呀，某程呀，防采集又有新思路啦) 。看着这一坨，我瞬间有了很多想法，这是一种人机的区分方法啊，机器不可读，人可识别，这不就是个验证码么？我甚至还想到一条面试题，假如给你这么一坨，你能一口说出来，屏幕上显示的是什么么？擦，反正我是不行啦。

为了从这一坨里面找出真正的IP地址，我们需要过滤很多的噪音标签。最容易的一种就是类似 <div style="display:none">76

这样的，jsoup里面节点操作只需一句就可以搞定 ele.select('div[style*=none]') 。在DOM节点转文本之后，标签不用理会，不会当作文字输出，真正要操心的是什么呢？仔细看最开头，竟然插入了一个 style ，动态定义了哪些标签是显示的，哪些是隐藏的，所以，我们需要知道哪些 class 是隐藏，哪些 class 是显示。这不就是浏览器根据 CSS 来显示 HTML 的过程么？擦，原来不知不觉，咱也学会浏览器核心原理啦 ^^

俗话说解铃还得系铃人，CSS的问题还得按照浏览器的思路来做。jsoup 已经为我们扫清了第一步障碍，可以直接确定的干扰标签就直接删了，剩下的，jsoup也无能为力，只能靠自己啦。按照CSS的思路，我们需要解释一下style里面的内容，知道哪个是 class, 哪个 class 是隐藏功能。由此看来，我们需要一个CSS解析器。

这个解析器，功能不需要全，不用识别复杂的选择器，只要是识别 class ，识别 class 是隐藏的就好了。至于如何实现，见仁见智，你要是正则大牛，一条正则搞定，就当我没说。除此之外，咱们今天就来用一用 JDK 自带的宝贝： StreamTokenizer 。这个东西是什么，基本用法之类的请诸位直接谷歌之，这里就不赘述了，直接上干货，下面就是我写的 CssStreamTokenizer 主要代码，

static class CssStreamTokenizer extends StreamTokenizer {
    public CssStreamTokenizer(Reader r) {
        super(r);
        this.resetSyntax();
        this.wordChars(0, 255);
        this.ordinaryChar('.');
        this.ordinaryChar('#');
        this.ordinaryChar('{');
        this.ordinaryChar('}');
    }

    static final int CSS_EOF = -0x01;
    static final int CSS_BLOCK = -0x02;
    static final int CSS_CLASS = -0x04;
    static final int CSS_ID = -0x08;
    static final int CSS_UNKNOWN = -0x10;

    boolean isOutClass =    true;
    boolean isOutId =       true;
    boolean isOutBlock =    true;

    static final Pattern P_CLASS = Pattern.compile("^[a-zA-Z][\\w\\-]*");
    static final Pattern P_ID = Pattern.compile("^[a-zA-Z][\\w\\-\\:]*");

    public int nextCSS() {
        int token;
        try{
            switch(token = this.nextToken()){
                case StreamTokenizer.TT_EOF:
                    return CSS_EOF;
                case '{':
                    //进入标记字段
                    isOutBlock = false;
                    return nextCSS();
                case '}':
                    isOutBlock = true;
                    isOutClass = true;
                    isOutId = true;
                    return nextCSS();
                case '.':
                    isOutClass = false;
                    return nextCSS();
                case '#':
                    isOutId = false;
                    return nextCSS();
                case StreamTokenizer.TT_WORD:
                    if(!isOutId && isOutBlock && P_ID.matcher(sval).find())
                        return CSS_ID;
                    else if(!isOutClass && isOutBlock && P_CLASS.matcher(sval).find())
                        return CSS_CLASS;
                    else if (!isOutBlock)
                        return CSS_BLOCK;
                    else
                        return CSS_UNKNOWN;
                default:
                    return CSS_UNKNOWN;
            } //end of case
        }catch(IOException e){
            System.out.println("Error:"+e.getMessage());
        }
        return CSS_UNKNOWN;
    }
}

代码清单5

CSSStreamTokenizer 的主要功能就像他的名字一样，把 CSS 一串字符串，按照语法切分成语法的组成部分，可以得到 CLASS 、 ID和具体内容。利用 CSSStreamTokenizer 可以轻易的分析一串 CSS 中，哪个 class 是 hidden的，接着看下面的 Parser,

static class CssParser {

    static final Pattern P_HIDDEN_CSS = Pattern.compile("display\\s*[\\:]\\s*none");
    private String html;

    CssParser(String html) {
        this.html = html;
    }

    public String[] getHiddenClasses() {
        if (html == null || html.length() == 0)
            return null;

        CssStreamTokenizer tokenizer = new CssStreamTokenizer(new StringReader(html));

        int token = 0;
        boolean inCSS = false;
        Stack stack = new Stack();

        while ((token = tokenizer.nextCSS()) != CssStreamTokenizer.CSS_EOF) {
            String sval = tokenizer.sval;
            if (token == CssStreamTokenizer.CSS_CLASS) {
                System.out.println(">>CLASS");
                inCSS = true;
                stack.push(sval); // push first
            }
            else if (token == CssStreamTokenizer.CSS_ID) {
                System.out.println(">>ID");
            }
            else if (token == CssStreamTokenizer.CSS_BLOCK) {
                System.out.println(">>BLOCK");
                if (inCSS && !P_HIDDEN_CSS.matcher(sval).find()) {
                    stack.pop(); // pop it, not hidden class
                }
                inCSS = false;
            } else {
                System.out.println(">>UNKNOWN");
                inCSS = false;
            }
            System.out.println(tokenizer.sval);
        }
        return stack.toArray(new String[]{});
    }
}

代码清单6

好的，Parser 更进一步，化繁为简，直接提取了 HiddenClasses，到了这里，只要jsoup里来这么一句 ele.select("className").remove() ，恭喜你，烦人的噪音咩有啦！

全文完，谢谢观赏，请拍砖。

Bill 2014-01-05

(本站文章均为原创，侵权必究)